단일 세포 분석을 위한 DR-GEM 기술 개발

주장기존의 단일 세포 분석 방법론은 데이터가 많은 세포 유형에 과도하게 적합되는 경향을 보입니다.

주장이로 인해 희귀 세포 유형이나 특수한 세포 상태와 같은 생물학적 신호가 누락되는 문제가 발생합니다.

주장연구진은 데이터 부족이 문제라기보다 모델이 데이터 양을 중요도와 동일시하는 것이 근본적인 원인이라고 분석합니다.

주장연구진은 이를 해결하려고 디알 젬이라는 새로운 자기지도 학습 메타 알고리즘을 제안합니다.

팩트디알 젬은 재구성 오차를 활용하여 모델의 주의력을 초기 학습에서 놓친 패턴으로 재조정합니다.

팩트이 알고리즘은 균형 잡힌 합의 학습을 적용하여 모델의 견고성을 높이고 저품질 데이터를 필터링합니다.

팩트연구진은 합성 데이터와 실제 단일 세포 데이터, 공간 전사체 데이터, 퍼터브 시크 데이터셋에 디알 젬을 적용합니다.

팩트분석 결과 이 알고리즘은 기존 방법론보다 신뢰도 높은 임베딩을 생성하고 희귀 세포 유형을 더 잘 복구합니다.

팩트디알 젬은 공간적 특징과 유전적 특징을 발굴하는 데 있어 기존 방식보다 우수한 성능을 입증합니다.

팩트본 연구는 스탠퍼드 대학교 의과대학의 크리스틴 이웬 예, 민우 선, 딕시안 주, 리브낫 저비 연구팀이 수행합니다.

팩트해당 논문은 네이처 커뮤니케이션즈에 2026년 9월 24일자로 게재됩니다.

교차검증연구진은 이번 연구와 관련하여 이해 상충이 없음을 명시합니다. 본 연구는 미국 국립보건원과 챈 저커버그 바이오허브 등 다수의 기관으로부터 연구 자금을 지원받습니다.

출처네이처 커뮤니케이션즈(https://www.nature.com/articles/s41467-026-77908-z)의 보도를 교차 검증했습니다.